如今，提到股市，大多数人都会想到沪深股市。目前，我国大陆仅有上海、深圳两家证券交易市场，深圳交易所为中小板和创投板块，上海证券市场为中国内地首屈一指的市场，上市公司数、上市股票数、市价总值、流通市值、证券成交总额、股票成交金额和国债成交金额等各项指标均居首位。我国人口基数大，所以股民数量也不容小觑。
在机器学习理论被炒得火热的今天，网络上对于股票的走势预测信息层出不穷。这也提起了我对这个小项目的兴趣，于是自己查阅了一些资料，简单的实现了一下股票预测算法。本项目居于SVM 支持向量机，它是一种十分优秀的分类算法，能为股票带来一定程度上的预测。原理就不多赘述了，可以进行参考的书目有很多，例如周志华老师的《机器学习》，李航老师的《统计学习方法》。
本次项目选择沪深300中农业银行股票作为原始数据。这些数据在网易财经-农业银行的页面中均可以获取到。我们选择2015年1月1日到2018年3月20号的数据作为本次项目的数据集，供后面的分析使用。下面首先介绍一下项目的实现过程。
1.数据处理
这些年来，小波理论得到了极其迅速的发展，而且由于小波具备良好的时频特性，因而实际应用也非常广泛，如数学领域，信号分析、图像处理等通信领域以及医学成像领域。在去噪领域中，小波理论也同样受到了许多学者的重视，他们应用小波进行去噪并获得了非常好的效果。信号中的频率分量可以在传递过程中携带许多信息，同时在传递过程中也会夹杂一些噪声。同样的，股票在顺移过程中，也会收到市场以外的诸多因素的影响，这和信号的传递过程十分相似。于是，本文我们像通信系统滤波过程一样，对股价进行二阶小波消噪处理。
本项目基于matlab进行消躁处理，我们先借农业银行2015年一整年的所有开盘日数据进行去噪尝试，结果如下：
通过上述三组数据的对比，我们可以发现原本带有许多微小毛刺的原始曲线被处理的很平滑，而同时又保持了曲线应有的涨落趋势，可以说经过去噪处理的曲线符合我们的预期。
接下来我们借助SVM算法进行股票预测。首先我们要确定预测过程中所依据的特征向量，网站中为我们提供的股票指标很多，展示如下：
预测中使用的特征向量要具有代表性，且权重相同，并且要求我们尽可能多的选择机组特征向量，本文将特征值最终选定为最高价、最低价和收盘价三个指标。
2. 开始训练
首先，我们先使用16-17年农业银行股票的最高价、最低价和收盘价三个维度的数据进行训练，此时输入的适量是一个N*3的矩阵，N表示样本数，3表示样本特征数。接下来我们预测未来K天的收盘价涨落情况，此时我们应该比较当天的收盘价与K天后的收盘价大小，当K天后收盘价大于当天收盘价，则 label=1，反之则 label=-1。接下来我们需要考虑的则是选取多大长的的训练长度比较合适。
首先我们先选定训练长度为50，100和200并预测未来7天的股票情况，即N = 50、100、200，K=7.2016年和2017年的开盘日均为244天，所以我们的数据集长度为488.如下图所示，图中红颜色线为预测值，黑色线为初始值。
如上图（a）所示，当训练长度为50时，预测曲线与实际曲线有较大差距，我们基本无法通过预测曲线获取有用信息；接着我们加大训练长度到100，结果如图（b）所示，这是预测曲线与原始曲线较多部分出现吻合，但很多涨落情况并没有体现出来，设置出现相反的情况，这对于我们预测股票趋势并选择买入或抛出是不利的；于是我们继续加大训练长度到200，结果如图（c）所示，在这种情况下两条曲线的涨落趋势基本保持一致。由此我们可以得到结论，训练集越大则预测结果越准确，于是在接下来的预测工作中，我们选取训练长度N = 200.
3. 进行预测
接下来我们应用2017年前200个开盘日数据对2017年底截止到2018年3月20日的股票进行预测。其结果如下：
由图所示，预测从2017年11月开始，持续到2018年3月20日。纵观整体预测曲线，二者很多涨落特征都非常吻合，下面我们通过数据再次验证预测的准确率，由于前期曲线趋于平缓，所以我们选取2018年2月1号以后的数据进行验证。
根据表格中实际数据与预测数据的注意对比，可以计算出预测准确率为70.6%（当实际无涨落时，预测为涨也判为准确）。可以看出，通过本算法所预测到的股票走势情况准确率较高，但是准确率还有提高的空间，可以通过扩大训练样本量，增加样本特征数等方式来实现。
4.总结
本位从整个流程上讲述了股票预测的过程，并以一支股票为例，实现了对股票走势的预测，但是由于 影响股票的因素较多，所以预测结果并不十分准确。相信若我们引入更多的训练样本与样本特征值，其准确率可以得到进一步提升。
